Η γλώσσα των μέσων κοινωνικής ...users.uoa.gr/~gmikros/Pdf/Social Media...

Γιώργος Κ. Μικρός

Τμήμα Ιταλικής Γλώσσας και Φιλολογίας - ΕΚΠΑ

Η γλώσσα των μέσων κοινωνικής

δικτύωσης:

Υφομετρική ανάλυση με προεκτάσεις

στην γλωσσική διδασκαλία

Κοινωνικά Μέσα Δικτύωσης (ΚΜΔ)

Γλωσσικά χαρακτηριστικά στα ΚΜΔ

Ερευνητικές υποθέσεις

Ηλεκτρονικά Σώματα Κειμένων

Ανάλυση της συχνότητας των λέξεων και των κατανομών τους στα ΚΜΔ

Υφομετρική πρόβλεψη κειμενικού γένους

Συμπεράσματα

Περίγραμμα ομιλίας

Τα Blogs αντιπροσωπεύουν ένα νέο κειμενικό γένος με ενδιαφέροντα χαρακτηριστικά. Συνδυάζουν προσωπικές απόψεις, νέα και αναφορά σε σύγχρονα γεγονότα (Mishne, 2007).

Περιλαμβάνουν τόσο χαρακτηριστικά μονολόγου όσο και διαλόγου. Μπορούν να χαρακτηριστούν τόσο ως καταχωρήσεις ημερολογίου (logentries) που αντανακλούν προσωπικές απόψεις όσο και προσκλήσεις για δημόσια συζήτηση (Nilsson, 2003).

Η γλωσσική δομή των blogs είναι υβριδική. Χρησιμοποιεί χαρακτηριστικά τόσο από τον προφορικό όσο και από τον γραπτό λόγο επιλέγοντας σχετικές δομές κατά περίπτωση (Chafe & Danielewicz 1987).

Ο μισός πληθυσμός των bloggers έχουν ηλικία 18-34 (Source: The Social Media Report: Q3 2011, MN Incite, Nielsen). Για τον λόγο αυτό η επισημότητα (formality) στην γλωσσική χρήση είναι μειωμένη.

Οι αναρτήσεις στα Blog είναι συνήθως μικρές, ενσωματώνουν αναφορές σε κείμενα από άλλους συγγραφείς και οι απόψεις που εκφράζονται είναι κυρίως υποκειμενικές.

Γλωσσικά χαρακτηριστικά στα Blogs

Το Twitter έχει μεταμορφώσει ριζικά τον τρόπο γλωσσικής έκφρασης στις online επικοινωνίες δημιουργώντας ένα καινούργιο γλωσσικών γένος και αντίστοιχες γλωσσικές συμβάσεις.

Οι χρήστες δημιουργούν μηνύματα σε 140 χαρακτήρες παράγοντας κείμενα που είναι σημασιολογικά πυκνά, έχουν πολλές συντμήσεις και συχνά γίνονται φορείς εξω-γλωσσικής πληροφορίας χρησιμοποιώντας συγκεκριμένες ακολουθίες χαρακτήρων (π.χ. smileys).

Τα tweets είναι κείμενα υψηλής συμφραστικότητας (highlycontextualized) με πολύ ισχυρές χωρο-χρονικές εξαρτήσεις

Γλωσσικά χαρακτηριστικά στο Twitter

Ποιο είναι το υφομετρικό προφίλ των κειμένων που παράγονται στα ελληνικά ΜΚΔ και πώς αυτό μπορεί να συγκριθεί με το υφομετρικό προφίλ των κειμένων που δημοσιεύονται στα παραδοσιακά μέσα;

Πώς επηρεάζει ο περιορισμός του κειμενικού μεγέθους (Twitter) την ποσοτική δομή των κειμένων σε σχέση με μέσα που δεν εφαρμόζουν περιορισμούς στο μέγεθος του κειμενικού μηνύματος;

Ποια υφομετρικά χαρακτηριστικά σχετίζονται με τα κείμενα των ΜΚΔ και πώς αυτά θα μπορούσαν να χρησιμοποιηθούν στην αξιόπιστη διάκριση των σχετικών κειμενικών γενών;

Πώς θα μπορούσαμε να αξιοποιήσουμε τις υφομετρικές διαφορές των κειμένων που παράγονται στα ΜΚΔ για να διδάξουμε τη γλωσσική χρήση σε αυτά;

Ερευνητικές υποθέσεις

Εθνικός Θησαυρός Ελληνικής Γλώσσας (ΕΘΕΓ) ως ΗΣΚ αναφοράς.

Το Ελληνικό ΗΣΚ Μέσων Κοινωνικής Δικτύωσης. Περιλαμβάνει:

Το ΗΣΚ από Blogs το οποίο συλλέχθηκε το χρονικό διάστημα 2010 – 2011 και περιλαμβάνει 5.005.453 λέξεις από 5.000 αναρτήσεις που παρήγαγαν 100 χρήστες.

ΗΣΚ βασισμένο στο Twitter το οποίο συλλέχθηκε με αυτόματο τρόπο το χρονικό διάστημα 2012-2013 και περιλαμβάνει 3.275.509 λέξεις από 218.900 tweets που παρήγαγαν 101 χρήστες.

Ηλεκτρονικά Σώματα Κειμένων

Συγχώνευση του κάθε ΗΣΚ σε ένα αρχείο.

Τεμαχισμός του σε κομμάτια των 1.000 λέξεων.

Τυχαία επιλογή 3.000 κομματιών από κάθε ΗΣΚ.

Συνολικά 9.000 κείμενα με 9.000.000 λέξεις (3.000 κείμενα ανά κειμενικό γένος).

Ισοκατανομή κειμενικού πλήθους και κειμενικού μεγέθους.

Προστασία από την «ευαισθησία» συγκεκριμένων υφομετρικών δεικτών σε ανισομεγέθη δείγματα.

Οργάνωση των ΗΣΚ για τα πειράματα

Γλωσσικά χαρακτηριστικά που βρίσκονται έξω από το φάσμα του συνειδητού ελέγχου της γλωσσικής παραγωγής.

Ποσοτικοποιούν διαφορετικές πλευρές της γλωσσικής παραγωγής.

Έχουν υψηλή συχνότητα.

Χρησιμοποιήσαμε τις ακόλουθες ομάδες:

Λεξιλογική διαφοροποίηση

Συχνότητα χαρακτήρων

Λεξιλογικό μήκος

Δομή της στατιστικής κατανομής του λεξιλογίου

Υφομετρικά χαρακτηριστικά

Λόγος λέξικών τύπων προς λέξεων (TTR)

Λεξιλογική Πυκνότητα (LD)

Άπαξ Λεγόμενα (HL)

Δις Λεγόμενα (DL)

Λόγος Άπαξ/Δις λεγόμενα (D_H)

Yule’s K

R1

Repeat Rate (RR)

Relative Repeat Rate of McIntosh (RRmc)

Curve Length (L)

Curve length R Index (R)

Εντροπία (Entropy)

Πλεονασμός (Redundancy)

Λεξική διαφοροποίηση

Η συχνότητα των χαρακτήρων στα κείμενα

Δίχως διάκριση πεζών ~ κεφαλαίων

Κανονικοποίηση της συχνότητας ως προς το μέγεθος του κειμένου.

Συχνότητα χαρακτήρων

Μέσο μήκος λέξης (μετρημένο σε χαρακτήρες) (AWL)

Τυπική απόκλιση του Μέσου Μήκους Λέξης (AWL_sd)

Φάσμα Λεξιλογικού Μήκους

Ποσοστό των λέξεων με 1, 2, 3 … 14 χαρακτήρες επί του συνολικού αριθμού λέξεων του κειμένου.

Λεξιλογικό μήκος

h-point: Χωρίζει μια λίστα συχνότητας λεξιλογίου σε δύο κατηγορίες, μία στην οποία εμφανίζονται κυρίως οι σχετικά συχνές άκλιτες λέξεις και μία όπου βρίσκονται οι λέξεις περιεοχομένου

Λ:

Adjusted Modulus (A)

G

R4

Writer’s view

Δομή της στατιστικής κατανομής του

λεξιλογίου

Έλεγχος με univariate ANOVA

Τα τρία γένη διαφέρουν με υψηλή στατιστική σημαντικότητα ως προς όλα τα υφομετρικά χαρακτηριστικά (p < 0.001).

Post hoc έλεγχος πολλαπλών συγκρίσεων (Tukey HSD)

HNC ~ Blogs: 91% των χαρακτηριστικών στατιστικά σημαντικά.

Blogs ~ Twitter: 90% των χαρακτηριστικών στατιστικά σημαντικά.

HNC ~ Twitter: 97% των χαρακτηριστικών στατιστικά σημαντικά.

Διαφοροποίηση των κειμενικών γενών

Κατανομή και διάμεσος του TTR ανά

κειμενικό γένος

Κατανομή και διάμεσος του LD ανά

κειμενικό γένος

Κατανομή και διάμεσος του ΑWL ανά

κειμενικό γένος

Κατανομή και διάμεσος του «σ» ανά

κειμενικό γένος

Κατανομή και διάμεσος των λέξεων με 4

γράμματα ανά κειμενικό γένος

Χρησιμοποιούμε τα 65 υφομετρικά χαρακτηριστικά για να ελέγξουμε την προβλεπτική τους ικανότητα ως προς την κατηγορία του κειμενικού γένους.

Σύγκριση 3 αλγόριθμων μηχανικής μάθησης

SVM

Random Forests

Αξιολόγηση

10-πτυχη διασταυρούμενη επικύρωση (10-fold cross-validation)

Υφομετρική πρόβλεψη κειμενικού γένους

0.94

0.92

0.9

0.88

0.89

0.9

0.91

0.92

0.93

0.94

0.95

Αλγόριθμοι Μηχανικής Μάθησης

Ακρίβεια κατηγοριοποίησης Κειμενικού Γένους με τη χρήση

διαφορετικών αλγόριθμων Μηχανικής Μάθησης

SVM Neural Nets Random Forst

Αποτελέσματα

Απεικόνιση της Διακριτικής Ανάλυσης

Τα κείμενα των μέσων κοινωνικής δικτύωσης παρουσιάζουν συστηματική διαφοροποίηση ως προς τα υφομετρικά τους χαρακτηριστικά σε σχέση με κείμενα «συμβατικών» μέσων.

Τα μέσα που επιβάλλουν περιορισμό κειμενικού μεγέθους (Twitter)διαφοροποιούν όχι μόνο τα βασικά περιγραφικά στατιστικά των υφομετρικών δεικτών αλλά και την ίδια την φύση της κατανομής τους.

Η υφομετρική δομή των συγκεκριμένων κειμένων ακολουθεί τις ακόλουθες βασικές διαστάσεις: Έντονη λεξιλογική διαφοροποίηση

Συμπύκνωση της λεξιλογικής πληροφορίας

Η διδασκαλία των συγκεκριμένων κειμενικών γενών θα πρέπει να ενσωματώσει την

Συμπεράσματα